在低利率時代，負carry促使債市機構更多透過交易獲取資本利得，傳統研究正規化階段性失效，難以量化的債市情緒在投資決策中的重要性日益提升。與此同時，AI 大模型已在多個領域取得顯著成果，那麼它能否輔助構建債市情緒指標？其預測能力表現如何？
金融文字情緒分析方法主要有基於金融詞典、深度學習/機器學習及大語言模型三類，其中大語言模型更適合債市文字分析。傳統的金融詞典、機器學習通常針對股票市場，所需債券情緒標籤資料稀缺、在債券領域適配性不足，模型效果不佳。而大模型具有強上下文理解、多維度資訊提供和高可拓展性，特別適合債市利率與價格主語切換的文字分析，引數規模優勢使其超越傳統模型並在極端事件預測中表現優異。
大語言模型中，AI生成式大模型（如Deepseek-V3）表現顯著更優，周、月頻下，情緒指數與下期利率相關係數分別達-0.51和-0.70，模型能有效反映債市情緒，且有較好預測效果。情緒指數顯示，債牛、債熊中機構關注的重點略有不同，債市偏多時（情緒指數得分較高），基本面與政策面得分較高；偏空時，情緒面與供需面得分較低。情緒指數有反轉效應，處於階段性頂底時，後續利率趨勢反轉機率較高。月度頻率下，若t期為情緒高點，t+1期利率繼續下行機率100%，t+2期降幅收窄或轉升機率71%，2024年以來4次月度利率上升中3次出現在情緒高點的後兩個月；若t期為情緒低點，t+1期利率繼續上行機率43%，t+2期升幅收窄或轉降機率86%。
AI生成式大模型在多維觀點提取任務以及可解釋性方面同樣表現出色。從效率和客觀性角度來看，理論上AI生成式大模型也能夠超越分析師，且蘊含著巨大的開發潛力，為機構情緒指標的構建提供了更為優質、高效的解決方案。
基於Deepseek情緒指標構建的分歧指數顯示，分歧越小，利率越容易下行，反之亦然。但當債市預期過於一致後，容易出現反轉。分歧指數與下期利率變化正相關，當月度“一致預期”時，t+1期利率下行機率100%，但t+2期降幅收窄或轉升機率67%，“極致分歧”時，t+1期上行機率75%、t+2期升幅收窄或轉降機率63%；分歧指數與情緒指數結合可進一步最佳化預測，如“情緒高點+一致預期”，使t+2期轉升機率提升至75%，“情緒低點+極致分歧”時，t+2期利率下行機率達100%。基於勝率加權構建勝率加權指數預測能力更優，尤其是在較短頻率的預測場景中表現突出，在日度和周度頻率下，情緒指數與下期利率相關係數分別達到了-0.42和-0.65，相關係數絕對值較等權情緒指數分別提高0.08和0.15，這表明不同分析師團隊在短頻預測上存在較大差異。
請登入興業研究APP檢視完整研報
獲取更多許可權，聯絡文末銷售人員。
★
點選圖片購買 “興業研究系列叢書”
★